一种嵌入式压电传感器共固化复合材料结构的损伤监测方法
本发明涉及复合材料结构健康监测,特别是涉及一种嵌入式压电传感器共固化复合材料结构的损伤监测方法。
背景技术:
1、复合材料具有高比强度、高比刚度、耐腐蚀及可设计性强等特性,在航空航天、交通运输及大型装备等领域应用广泛。在长期服役过程中,复合材料结构易受外部冲击、疲劳载荷和环境作用影响,进而产生基体开裂、纤维断裂、分层和界面脱粘等损伤。
2、当前,压电传感器在复合材料结构健康监测中已得到普遍应用。通过在结构上布设多个压电传感器,可采集结构损伤过程中产生的声发射信号,依据各传感器接收信号的时间差实现声发射源定位,并基于声发射信号的幅值、能量、持续时间、振铃计数及频率等特征参数对损伤类型进行判别。
3、然而,传统压电传感器多采用结构表面粘贴方式。传感器与结构之间依赖耦合层传递声发射信号;在长期服役过程中,耦合层老化、脱粘及环境因素可能导致传感信号稳定性下降。
4、另一方面,复合材料具有显著的各向异性,其内部声波传播特性受铺层顺序、纤维方向及传感器空间布局等因素影响。因此,在传统声发射定位中采用固定波速参数时,易受传播特性变化和异常到达时间差的影响,导致损伤定位误差增大。此外,传统损伤类型识别通常依赖人工构建和标注大量声发射样本,样本获取与标注工作量较大,不利于长期服役过程中的持续监测。
技术实现思路
1、本发明旨在至少解决现有技术中存在的需求技术问题,特别创新地提出了一种嵌入式压电传感器共固化复合材料结构的损伤监测方法。
2、为了实现本发明的上述目的,本发明提供了一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,所述方法包括:
3、s1、在复合材料铺层过程中,将多个压电传感单元及其引线设置于复合材料预设铺层界面,并对所述压电传感单元进行绝缘封装,通过共固化成型使所述压电传感单元与复合材料结构形成一体化嵌入式传感层;
4、s2、基于所述嵌入式传感层采集复合材料结构损伤过程中产生的声发射信号,获得不同压电传感单元接收到声发射信号的到达时间差,并基于压电传感单元坐标信息与该压电传感单元的到达时间差建立时差-坐标映射数据集;
5、s3、基于所述时差-坐标映射数据集和复合材料结构对应的结构先验参数确定损伤源位置,其中,所述结构先验参数包括复合材料铺层顺序、纤维方向以及压电传感单元空间位置信息;
6、s4、基于声发射信号获取声发射事件特征参数,并确定所述声发射事件对应的损伤类型;
7、s5、将同一声发射事件对应的损伤源位置和损伤类型进行关联,输出复合材料结构的损伤监测结果。
8、作为本发明的一种可选实施例,可选的,步骤s1中,所述多个压电传感单元根据复合材料结构的铺层方向、受力特点以及预设监测区域进行空间布局,并将所述压电传感单元及其引线预埋于相邻复合材料铺层之间的界面位置。
9、作为本发明的一种可选实施例,可选的,步骤s2中,所述时差-坐标映射数据集的建立方法包括:
10、在复合材料结构监测区域内划分多个标准网格节点,并在各所述标准网格节点处模拟声发射源;通过多个压电传感单元同步采集模拟声发射源产生的声发射信号,计算不同压电传感单元之间的信号到达时间差,并将所述到达时间差与对应标准网格节点坐标进行关联,形成所述时差-坐标映射数据集。
11、作为本发明的一种可选实施例,可选的,步骤s3中,将所述到达时间差与所述结构先验参数进行特征融合,形成联合输入特征,并基于时差-坐标映射数据集中预先建立的时差-坐标映射关系确定所述损伤源位置。
12、作为本发明的一种可选实施例,可选的,所述步骤s3中,采用基于厚尾概率分布的回归模型建立所述联合输入特征与损伤源位置之间的映射关系,并通过期望最大化算法对所述回归模型进行迭代优化。
13、作为本发明的一种可选实施例,可选的,所述厚尾概率分布采用student-t分布,所述回归模型根据模型输出的预测协方差确定损伤源位置的不确定度,并根据所述不确定度生成用于表征损伤源位置范围的置信区域。
14、作为本发明的一种可选实施例,可选的,所述声发射事件特征参数包括幅值、能量、振铃计以及上升时间。
15、作为本发明的一种可选实施例,可选的,步骤s4中,采用无监督聚类方法对多个声发射事件的特征参数进行聚类分析,并根据聚类结果生成对应声发射事件的损伤类别概率标签;基于所述损伤类别概率标签建立损伤类型分类模型,以确定所述声发射事件对应的损伤类型。
16、作为本发明的一种可选实施例,可选的,所述无监督聚类方法采用模糊c均值聚类方法,并根据聚类评价指标确定损伤类别数量;所述损伤类型分类模型采用随机森林模型、xgboost模型或基于随机森林模型和xgboost模型融合形成的集成分类模型。
17、作为本发明的一种可选实施例,可选的,在复合材料结构服役过程中持续采集新的声发射事件,并根据所述声发射事件对应的损伤源位置置信度和损伤类型概率确定高置信度声发射事件;将所述高置信度声发射事件作为新增训练样本,对基于厚尾概率分布的回归模型和所述损伤类型分类模型进行增量更新。
18、本发明的有益效果:本发明通过将压电传感单元及其引线预埋于复合材料铺层界面,并采用共固化成型工艺使压电传感单元与复合材料结构形成一体化嵌入式传感层,避免了传统表面粘贴式传感器中耦合层老化、脱粘及环境因素对声发射信号传递稳定性的影响,提高了复合材料结构长期服役过程中的传感可靠性;同时,通过建立基于压电传感单元坐标信息的时差-坐标映射数据集,并将复合材料铺层顺序、纤维方向以及压电传感单元空间位置信息等结构先验参数引入损伤定位过程,使损伤源位置确定能够适应复合材料各向异性声传播特性,降低因固定波速参数及异常到达时间差造成的定位误差;进一步地,采用基于厚尾概率分布的回归模型结合期望最大化算法进行损伤源位置确定,提高了定位过程对异常声发射数据的鲁棒性,并通过预测协方差获得损伤位置不确定度,实现损伤定位结果的置信区域表征;此外,通过对声发射事件特征参数进行无监督聚类,自动生成损伤类别概率标签,并基于所述概率标签建立损伤类型分类模型,减少了人工样本标注需求,提高了长期服役监测过程中的损伤识别效率;通过将同一声发射事件对应的损伤源位置与损伤类型进行关联,并利用高置信度声发射事件对定位模型和分类模型进行增量更新,实现了复合材料结构损伤位置、损伤类型及模型参数的协同优化,提高了损伤监测系统的智能化、自适应能力和工程应用可靠性。
19、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,步骤s1中,所述多个压电传感单元根据复合材料结构的铺层方向、受力特点以及预设监测区域进行空间布局,并将所述压电传感单元及其引线预埋于相邻复合材料铺层之间的界面位置。
3.如权利要求1所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,步骤s2中,所述时差-坐标映射数据集的建立方法包括:
4.如权利要求1所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,步骤s3中,将所述到达时间差与所述结构先验参数进行特征融合,形成联合输入特征,并基于时差-坐标映射数据集中预先建立的时差-坐标映射关系确定所述损伤源位置。
5.如权利要求4所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,所述步骤s3中,采用基于厚尾概率分布的回归模型建立所述联合输入特征与损伤源位置之间的映射关系,并通过期望最大化算法对所述回归模型进行迭代优化。
6.如权利要求5所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,所述厚尾概率分布采用student-t分布,所述回归模型根据模型输出的预测协方差确定损伤源位置的不确定度,并根据所述不确定度生成用于表征损伤源位置范围的置信区域。
7.如权利要求1所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,所述声发射事件特征参数包括幅值、能量、振铃计以及上升时间。
8.如权利要求1所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,步骤s4中,采用无监督聚类方法对多个声发射事件的特征参数进行聚类分析,并根据聚类结果生成对应声发射事件的损伤类别概率标签;基于所述损伤类别概率标签建立损伤类型分类模型,以确定所述声发射事件对应的损伤类型。
9.如权利要求8所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,所述无监督聚类方法采用模糊c均值聚类方法,并根据聚类评价指标确定损伤类别数量;所述损伤类型分类模型采用随机森林模型、xgboost模型或基于随机森林模型和xgboost模型融合形成的集成分类模型。
10.如权利要求9所述的一种嵌入式压电传感器共固化复合材料结构的损伤监测方法,其特征在于,在复合材料结构服役过程中持续采集新的声发射事件,并根据所述声发射事件对应的损伤源位置置信度和损伤类型概率确定高置信度声发射事件;将所述高置信度声发射事件作为新增训练样本,对基于厚尾概率分布的回归模型和所述损伤类型分类模型进行增量更新。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com